随着互联网技术和生物医学领域的不断发展,能够在线获取的生物医学文献数量增长迅速,这些文献中往往蕴含着大量有价值的医疗保健信息和生物医学数据,是该领域研究工作中十分宝贵的资源。作为信息抽取的核心子任务,关系抽取可以检测出实体之间在无结构化或非结构化的自然文本中所表达的语义关系,对于推动生物医学的发展具有重要意义。生物医学领域的有监督关系抽取通常受限于人工标注数据集的规模和成本,难以满足深度学习方法对于大量训练样例的需求,同时影响模型的抽取性能。远程监督技术将语料库中实体与知识库对齐,自动生成大规模有标注的训练样例,受到了研究人员的广泛关注。然而,通过远程监督方法生成的生物医学数据集中往往含有大量的标签噪声,而且由于相关文献和语料库规模的持续性增长,数据集中包含相同实体对的文本数量也将不可避免的大量增加。关系抽取方法不仅要缓解远程监督数据集中标签噪声对模型的干扰,而且也要确保对含有大量样例的句子包的信息利用效率。因此标签噪声干扰以及信息利用不充分,成为了基于远程监督的生物医学关系抽取研究中两个重大挑战。本文针对基于远程监督的生物医学关系抽取中的标签噪声干扰以及信息利用不充分这两个问题进行研究,旨在从大规模生物医学数据集的噪声环境下,训练出具有良好抽取效果的模型。本文的具体研究内容总结如下:（1）本文提出了一种在远程监督下生物医学关系抽取的新视角,将远程监督关系抽取任务视为阅读理解任务。从该视角出发,本文提出了一种基于阅读理解框架的模型来进行生物医学关系抽取。具体而言,该方法将句子包转化上下文形式,同时为上下文自动生成相应查询语句,通过查询-上下文注意力耦合上下文和查询语句的信息,捕获上下文中对关系标签更加重要的词语,降低文本噪声。该方法不使用句子级别的注意力机制,而是通过编码器直接获得句子包的向量表示用于关系预测。实验表明本文提出的模型可以有效降低文本噪声并利用句子包信息,具有良好的关系抽取性能。（2）本文提出了一种多示例学习框架下基于图结构的关系抽取模型,该模型不需要引入外部知识信息,也不需要定义和构建约束规则,通过将整个句子包视为图结构数据,能够有效利用到句间级别的信息,提高句子包的利用效率,可以直接应用于任何远程监督关系抽取数据集中。实验结果表明,模型中的查询-句子注意力机制能够捕捉到句中与实体对之间语义关系更重要的词语并降低文本噪声,句子包自注意力机制可以学习到包内句间潜在的关联信息,提升模型对句子包信息的利用率,而所提出的模型在两个生物医学数据集上都取得了最佳的关系抽取效果。